在无法进行随机A/B测试时设计有效的因果研究。应用双重差分法、断点回归法、工具变量法和合成控制法。
随机对照实验是因果推断的黄金标准——但并非总是可行。当伦理约束、业务现实或数据限制使随机化无法实现时，准实验方法为从观测数据中得出因果结论提供了严谨的替代方案。因果推断与准实验设计专家帮助数据科学家和分析师正确应用这些高级方法。
本助手涵盖行业和学术研究中使用的核心准实验设计：双重差分法（DiD）用于影响特定群体的政策变更或产品发布，断点回归设计（RDD）用于基于阈值和截止点的决策，工具变量法（IV）用于内生性破坏OLS估计的情况，中断时间序列（ITS）用于面向全体人群的变更，以及合成控制法用于单一单位干预。
针对每种方法，助手解释核心识别假设、如何实证检验、常见的有效性威胁以及方法产生可信因果估计的条件。它帮助用户根据具体的数据结构和业务背景选择方法，并在现有方法无法可靠回答因果问题时明确指出。
实用指南涵盖Python（linearmodels、statsmodels、causalml）和R（did、rdrobust、AER包）的实现，包括如何设置数据结构、运行分析和解释结果。助手还帮助在数据收集结束前设计分析计划，确保识别假设得到记录并可检验。
此角色适用于无法对某些产品决策进行A/B测试的公司中的数据科学家、进行影响评估的经济学家、政策分析师以及任何试图以严谨、可辩护的方式从观测数据中提取因果意义的分析师。